COCO12-Formati Set di dati

Introduzione

Il Ultralytics COCO12-Formats è un set di dati di test specializzato progettato per convalidare il caricamento delle immagini in tutte le 12 estensioni di formato immagine supportate. Contiene 12 immagini (6 per l'addestramento, 6 per la convalida), ciascuna salvata in un formato diverso per garantire un test completo della pipeline di caricamento delle immagini.

Questo set di dati è prezioso per:

• Verifica del supporto dei formati immagine: verificare che tutti i formati supportati vengano caricati correttamente.
• Pipeline CI/CD: test automatizzati di compatibilità dei formati
• Debugging: isolare i problemi specifici del formato nelle pipeline di formazione
• Sviluppo: convalidare le aggiunte o le modifiche al nuovo formato

Formati supportati

Il set di dati include un'immagine per ciascuna delle 12 estensioni di formato supportate definite in ultralytics/data/utils.py:

Struttura del set di dati

coco12-formats/
├── images/
│   ├── train/          # 6 images (avif, bmp, dng, heic, jpeg, jpg)
│   └── val/            # 6 images (jp2, mpo, png, tif, tiff, webp)
├── labels/
│   ├── train/          # Corresponding YOLO format labels
│   └── val/
└── coco12-formats.yaml # Dataset configuration

YAML del set di dati

Il set di dati COCO12-Formats è configurato utilizzando un file YAML che definisce i percorsi dei set di dati e i nomi delle classi. È possibile consultare il documento ufficiale coco12-formats.yaml file nel repository GitHub di Ultralytics.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO12-Formats dataset (12 images testing all supported image formats) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco12-formats/
# Example usage: yolo train data=coco12-formats.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco12-formats ← downloads here (1 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: coco12-formats # dataset root dir
train: images/train # train images (relative to 'path') 6 images
val: images/val # val images (relative to 'path') 6 images
test: # test images (optional)

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco12-formats.zip

Generazione di dataset

Il set di dati può essere generato utilizzando lo script fornito che converte le immagini sorgente da COCO8 COCO128 tutti i formati supportati:

from ultralytics.data.scripts.generate_coco12_formats import generate_coco12_formats

# Generate the dataset
generate_coco12_formats()

Requisiti

Alcuni formati richiedono dipendenze aggiuntive:

pip install pillow pillow-heif pillow-avif-plugin

Libreria di sistema AVIF (opzionale)

Affinché OpenCV leggere direttamente i file AVIF, libavif deve essere installato prima creazione di OpenCV:

brew install libavif

sudo apt install libavif-dev libavif-bin

git clone -b v1.2.1 https://github.com/AOMediaCodec/libavif.git
cd libavif
cmake -B build -DAVIF_CODEC_AOM=SYSTEM -DAVIF_BUILD_APPS=ON
cmake --build build --config Release --parallel
sudo cmake --install build

Utilizzo

Per addestrare un YOLO sul set di dati COCO12-Formats, utilizzare i seguenti esempi:

from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")

# Train on COCO12-Formats to test all image formats
results = model.train(data="coco12-formats.yaml", epochs=1, imgsz=640)

# Train YOLO on COCO12-Formats
yolo detect train data=coco12-formats.yaml model=yolo26n.pt epochs=1 imgsz=640

Note specifiche sul formato

AVIF (formato file immagine AV1)

AVIF è un formato immagine moderno basato sul codec video AV1, che offre un'eccellente compressione. Richiede pillow-avif-plugin:

pip install pillow-avif-plugin

DNG (Negativo digitale)

DNG è il formato RAW aperto di Adobe basato su TIFF. Ai fini del test, il set di dati utilizza file basati su TIFF con il .dng estensione.

JP2 (JPEG 2000)

JPEG 2000 è uno standard di compressione delle immagini basato su wavelet che offre una compressione e una qualità migliori rispetto al tradizionale JPEG. Comunemente utilizzato nell'imaging medico (DICOM), nelle applicazioni geospaziali e nel cinema digitale. Supportato nativamente sia da OpenCV da Pillow.

MPO (Oggetto multi-immagine)

I file MPO sono utilizzati per immagini stereoscopiche (3D). Il set di dati memorizza dati JPEG standard con il .mpo estensione per il test del formato.

HEIC (Codifica immagini ad alta efficienza)

HEIC richiede il pillow-heif pacchetto per una corretta codifica:

pip install pillow-heif

Casi d'uso

Test CI/CD

from ultralytics import YOLO


def test_all_image_formats():
    """Test that all image formats load correctly."""
    model = YOLO("yolo26n.pt")
    results = model.train(data="coco12-formats.yaml", epochs=1, imgsz=64)
    assert results is not None

Convalida del formato

from pathlib import Path

from ultralytics.data.utils import IMG_FORMATS

# Verify all formats are represented
dataset_dir = Path("datasets/coco12-formats/images")
found_formats = {f.suffix[1:].lower() for f in dataset_dir.rglob("*.*")}
assert found_formats == IMG_FORMATS, f"Missing formats: {IMG_FORMATS - found_formats}"

Citazioni e ringraziamenti

Se utilizzi il COCO nella tua ricerca, ti preghiamo di citare:

@misc{lin2015microsoft,
      title={Microsoft COCO: Common Objects in Context},
      author={Tsung-Yi Lin and Michael Maire and Serge Belongie and Lubomir Bourdev and Ross Girshick and James Hays and Pietro Perona and Deva Ramanan and C. Lawrence Zitnick and Piotr Doll{\'a}r},
      year={2015},
      eprint={1405.0312},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

FAQ

A cosa serve il set di dati COCO12-Formats?

Il set di dati COCO12-Formats è progettato per testare la compatibilità dei formati immagine nelle pipelineYOLO Ultralytics YOLO . Assicura che tutti i 12 formati immagine supportati (AVIF, BMP, DNG, HEIC, JP2, JPEG, JPG, MPO, PNG, TIF, TIFF, WebP) vengano caricati ed elaborati correttamente.

Perché testare più formati immagine?

I diversi formati immagine hanno caratteristiche uniche (compressione, profondità di bit, spazi colore). Testare tutti i formati garantisce:

• Codice robusto per il caricamento delle immagini
• Compatibilità tra diversi set di dati
• Rilevamento precoce di bug specifici del formato

Quali formati richiedono dipendenze speciali?

• AVIF: Richiede pillow-avif-plugin
• HEIC: Richiede pillow-heif

Posso aggiungere nuovi test di formato?

Sì! Modifica il generate_coco12_formats.py script per includere formati aggiuntivi. Assicurati di aggiornare anche IMG_FORMATS in ultralytics/data/utils.py.

📅 Creato 0 giorni fa ✏️ Aggiornato 0 giorni fa

Commenti